ANALISIS ESTRUCTURAL

Z ( xi )Z( xi+ h)

Nn

i=1

24 (h)=

Construccin del variograma 2D

1. Cantidad de pares de datos
N h = N (N 1) / 2
2. Distancias entre las localizaciones
Di =

y 1 y 2 2
x 1x 2 2+

i = 1, 2, 3, , Nh
3. Ordenar ascendentemente las distancias
4. Calcular la amplitud mxima

5. Fijar una distancia (h) como paso o incremento de semivariograma, se

recomienda usar el promedio.
6. A) h dh d h + dh

b) d a + d

c)

MODELOS TEORICOS DE SEMIVARIOGRAMA

Modelo esfrico

Modelo exponencial

Modelo potencial

ANALISIS DE ANISOTROPIA
Isotropa
Anisotropa
Anisotropa geomtrica

Anisotropa zonal

PROBLEMAS MAS
VARIOGRAMA

COMUNES

ENCONTRADOS

EN

EL

CALCULO

DEL

El valor idneo del incremento de una inadecuada seleccin de h puede

proporcionar un variograma errtico, aunque no se puede dar un criterio
exacto o aproximados sobre cul es el mejor valor de h, es recomendable
calcular (h) para distintos valores de h, hasta encontrar una forma
suavizada del mismo.
Distribuciones con valores extremos. La existencia de valores extremos,
altos y bajos, en una distribucin puede conducir a la obtencin de un
variograma fuertemente errtico. En este caso la solucin puede ser simple,
eliminar los datos extremos porque pueden ser ocasionados por errores, en
otros casos pueden encontrarse en zonas geogrficamente distintas y
pueden ser tratados de manera separada.

La existencia de poblaciones mixtas. Existen datos que pueden mostrar

diferentes poblaciones, las cuales pueden estar estadsticamente
diferenciadas, donde se recomienda tratar las zonas por separado. En otros
casos las poblaciones se presentan mezcladas geogrficamente. En este
caso la solucin puede ser un cambio de escala, con lo que se logra reducir
la diferencia de los valores extremos.
MODELADO DE VARIOGRAMA
El modelado de variogramas incluye dos etapas fundamentales, una vez
construido el variograma experimental o emprico es necesario ajustar a
este un modelo terico, con el objeto de determinar los parmetros
descriptivos del variograma que posteriormente sern usados en la
estimacin.
PARAMETROS DEL VARIOGRAMA
Los parmetros del variograma caracterizan 3 elementos importantes en la
variabilidad de un atributo que son, la discontinuidad en el origen
(existencia del efecto pepita), el valor mximo de la variabilidad (meseta) y
el rea de influencia de la correlacin (alcance).
a) El efecto pepita (nugget): el variograma por definicin es nulo en
el origen, pero en la prctica las funciones obtenidas pueden
presentar discontinuidad en el origen, a esta discontinuidad se le
llama efecto pepita. El nugget es la varianza no explicada por el
modelo, y se calcula como interseccin con el eje y. se conoce
tambin como la varianza error.
b) La meseta (Sill): es el valor de (h) para el cual con el aumento de
h su valor permanece constante, se representa como Ct = Co + C y
se denomina meseta. El Sill es la mxima semivarianza encontrada
entre pares de puntos y debe coincidir con la varianza de la poblacin
y nos representa el grado de variacin espacial, y por lo tanto, el
grado de incertidumbre a la hora de interpolar puntos en el espacio.
c) El alcance (Range) la distancia h para la cual las variables Z (x +
h) y Z(x) son independientes, se denomina alcance y se representa
por a, es decir las distancias para la cual los valores de la variable
dejan de estar correlacionadas, por lo que es lo mismo, la distancia
para la cual el variograma alcanza su meseta. El rango es la distancia
a la que la varianza deja de aumentar implica la distancia a partir de
la cual las muestras son espacialmente independientes unas de otras
y representa el tamao de grano o mancha que representa la
variable.
Modelo exponencial: este modelo tiende a alcanzar el Sill asintonicamente
el rango a es definido como la distancia a la cual el valor del variograma
alcanza el 95 % del Sill.
Modelo gaussiano: al igual que el modelo exponencial el modelo tiende a
alcanzar el Sill asintonicamente y el rango se define como la distancia a la
cual el variograma alcanza el 95 % del Sill
Modelo lineal = (h) = Co + bh

Donde:
Co = nugget
b = pendiente de la recta
h = distancia

ISOTROPIA Y ANISOTROPIA
En los semivariogramas vistos se considera que a la variacin del valor de la
variable en el espacio es igual en todas las direcciones de este
(semivariograma omni dimensional). Si esto ocurre decimos que la variable
tiene un comportamiento isotrpico, pero no siempre es as y puede ser que
la variacin espacial sea diferente en las distintas direcciones del espacio
(anisotropa). Si tras una inspeccin visual sospechamos que puede ocurrir
este fenmeno, es interesante realizar semivariogramas considerando por
separado varias direcciones del espacio (semivariogramas direccionales).
Entonces generalmente cuando el varigrama experimental es calculado en
distintas direcciones presenta distintos comportamientos con la distancia,
son estas las anisotropas.
a) Anisotropia geomtrica: Igual SILL pero diferente rango.
b) Anisotropia zonal: El mismo rango pero diferente SILL.
c) Anisotropia hibrida: Diferente SILL y diferente rango.
Problemas en el modelaje de variogramas:
Los problemas ms comunes al modelar variogramas que complican este
proceso se analizan en los siguientes casos.
1. La anisotropa geomtrica est presente: Indica que los variogramas
direccionales tienen la misma meseta pero diferentes alcances esta
puede ser corregida a travs de una transformacin lineal de
coordenadas que permita reducir un elipse o un crculo.
2. La anisotropa zonal est presente: Indica que tanto las mesetas
como los alcances son diferentes para los variogramas direccionales
puede ser corregido separando el variograma en sus componentes
istropicos horizontal y anisotropico vertical.
3. La tendencia de los datos est presente: Indica que los valores
medidos aumentan o disminuyen dramticamente en la zona
estudiada con el aumento de la distancia. Esto puede ser resuelto
aplicando polinomios a la ecuacin del variograma es decir un anlisis
de tendencia.
4. El efecto proporcional est presente: Indica que la desviacin vocal es
proporcional al cuadrado de la media local y que los datos presentan
una distribucin lognormal, puede ser resuelto dividiendo cada valor
del variograma local por el cuadrado de la media local es decir
usando variogramas relativos.

5. Existencia de estructuras anidadas: Indica que diferentes procesos

operan a diferentes escalas como por ejemplo algunos o todos los
siguientes.
A muy pequeas distancias la variabilidad puede estar presente
debido a cambios de una composicin mineral a otra a pequeas
distancias de variabilidad puede estar presente debido a errores. A
grandes distancias la variabilidad puede estar presente debido a
casos transitorios de desgaste mineral. El cual puede ser resuelto
aplicando varios modelos simultneamente.
6. Existencia de efecto hueco: Indica que muy pocas pares estn
disponibles para la comparacin a una distancia especfica. Y puede
ser resuelto recuperando mas rocas para la distancia definida.
7. La periodicidad est presente: Indica que el comportamiento del
variograma repite por si mismo periodicidades por ejemplo el valor d
la meseta puede aumentar o disminuir sistemticamente o un caso
en el que los valores son tomados alternativamente a travs de
diferentes estratos como piedras, areniscas, esquistos, etc. Esto
puede ser resuelto si es un problema real y no un antifaz del anlisis
la periodicidad puede ser tambin un fenmeno real mostrado por
zonas ricas y pobres repetidas a espacios similares.
Validacin del modelo terico:
Como el ajuste de los modelos tericos al variograma experimental se
realiza en forma visual o iterativa variando los valores del efecto
pepita (Co), la meseta (C+Co) y el alcance (a), hasta coincidir con los
parmetros que mejor se ajustan, es conveniente validar el modelo
seleccionado y los parmetros d meseta y alcance escogidas. El
mtodo de validacin usada ha sido ampliamente utilizado para
evaluar el grado de bondad de un modelo de variograma y
reconocido como un mtodo ptimo de estimacin de sus parmetros
la operacin de validar un variograma terico ajustado a uno
experimental siempre toma mucho tiempo, este se considera como el
ltimo de los pasos importantes del anlisis de variabilidad debido a
que una vez obtenido este resultado ser utilizado en la estimacin
de kriage en cualquiera de sus variables.
VARIANZA DE ESTIMACION:
En la prctica muy a menudo se conoce los valores tomados por Y(x)
en un conjunto de n sondeos. Se estima entonces el valor promedio del
volumen V por la media aritmtica de las n muestras.

Y ( xi)
N

1
Y (V )=
N i=1

La media verdadera de V es:

1
Y (V )= Y ( x ) dx
V V

La varianza del error

de V por

Y (V )Y

(V )

se llama varianza de estimacin

(V )

2(E )=2 YBV YVV YBB

Ejemplo: Calculo de la varianza de estimacin de un block. Se tiene
un block de 100m. implantado en un yacimiento que sigue un modelo
esfrico con un efecto pepita de 1 y meseta igual a 1. Calcular la varianza
de estimacin. Alcance de 100m.
100 m.
h=distancia ; S=sill o
X
X2
meseta ; a=amplitud o
1
alcance ; Co=efecto pepita
.1

.2

3
h
3
2
1 (h)
=S

a .3 2 (a)3
.4

100 m.
|h| a
si

X3

X4

Mejora Continua:

S si

|h|> a

Co
2(E )=2Varianza
YBV YVV
YBB+
de
4
estimacin

Postula que es una actitud general que debe ser la

base para mejorar la estabilidad del proceso.

Se basa en el ciclo de DEMING compuesto de las sgtes. 4 fases:
1. Planificar: Estudiar la situacin y proponer las mejoras.
2. Hacer: Poner en marcha las propuestas seleccionadas.
3. Verificar: Comprobar si la mejora est resultando de la manera
esperada.
4. Actuar: Implementar las propuestas con las mejoras necesarias.
PHVA Es la base de la mejora continua.
La administracin de la calidad total requiere de un proceso constante que
ser llamado mejoramiento continuo donde la perfeccin nunca se logra
pero siempre se busca.
El mtodo kriging
En trminos mineros, la tcnica del kriging consiste en encontrar la mejor
estimacin lineal incesgada (estimado centrado sesg-0) en un block o zona
v considerando la informacin disponible es decir las muestras interiores y
exteriores a V.
El kriging atribuye un peso i a la muestra Z(xi). Estos pesos i se calculan
de manera de minimizar la varianza del error cometido.

El inters del kriging proviene de su definicin al minimizar (varianza de

estimacin) estamos seguros de obtener la estimacin ms precisa posible
de v o equivalentemente de sacar el mejor provecho posible de la
informacin.
El kriging define estimador lineal.

Zx= 1. Z ( xi ) + 2. Z ( x 2 ) + .. n. Z (xn)
Con la condicin del insergado (llamado tambin condicin de universidad)

1+ 2+ 3+ .. n=1
Los pesos

=ZkZv

se calculan de manera de minmizar la varianza del error

en que

Zv

es la ley media desconocida de v.

La geoestaditica exige como primera etapa y fundamental el conocimiento

del comportamiento estructural de la informacin es decir se debe contar
adems con el modelo de semivariograma terico que refleje fielmente las
caractersticas de variabilidad y correlacin espacial de la informacin
disponible en el caso minero por lo forma en que se presenta la informacin
de estar conocida en una direccin por diverso parmetro se debe obtener
modelos de variograma vertical y horizontal, el primero que caracteriza la
correlacin espacial en esta direccin es decir a travs de los estrator y el
segundo en los estrator obtenindose ya modelo conjunto para la
estimacin de bloques.
Los bloques a estimar son definicin con dimensiones convenientes a la
unidad de adeccion minera, teniendo en cuenta el espaciamiento entre
nuestras y el alcance estructural es decir la distancia hasta la cual las
muestras se encuentran correlacionadas espacialmente.
Teniendo en cuenta las hiptesis de la geoestadistica se pueden obtener las
ecuaciones del kriging para los siguientes casos:
Funcin
aleatoria estacionaria de esperanza nula o conocida mtodo
conocido como kriging simple; para una funcin aleatoria estacionaria de
esperanza desconocida y una funcin aleatoria animacin, mtodo conocido
para las 2 ltimos casos como kriging ordinario.
Kriging simple
Estimador:
Sistema:

Z (v)= 1. Z ( xi ) + m(1 1)

=C ( Xi , Zj )=C ( Xi , V )

Varianza de kriging :

=C ( V ,V ) 1 C( Xi , V )

Kriging ordinario
a) En trminos de covarianza

Z ( v)= 1. Z ( xi ) + m(1 1)

Estimador:

Sistema:

Varianza de kriging :

=C ( Xi , Zj )=C ( Xi , V )
=C ( V ,V ) 1 C( Xi , V )

b) En trminos del semivariograma

Z ( v ) = 1. Z ( xi )

Estimador:

Sistema:

Varianza de kriging :

= ( Xi , Zj ) +u= ( Xi ,V )

= 1C ( X ,V ) ( V , V ) +u

En todos los casos el sistema puede ser escrito matricialmente de la forma K

=C
Al sistema kriging es necesario hacer algunas observaciones:
1. El sistema kriging tiene solucin nica si y solos si la matriz de K es
definida estrictamente positiva, es decir:

= jijC ( Xi , Xj ) 0
O en trminos del variograma

= jij ( Xi , Xj ) 0
2. El kriging el cual es un estimador impar es tambin un interpolador
exacto es decir para iguales soportes de observacin V (=1) y la
estimacin V. Los valores reales Z y estimar Zn son iguales adems
de la varianza del kriging es cero.
3. Las expresiones del sistema kriging y de la varianza de kriging son
completamente generales es decir son aplicables cualquier sean los
soportes de observacin y estimacin y el modelo estructural
empleado.
4. El sistema kriging y la varianza de kriging depende solo del modelo
estructural C(h) o

(h)

obtenido y de la geometra del soporte de

observacin, Esta caracterstica de la posibilidad de que la varianza

es kriging son usado cuidadosa y convenientemente para el estudio
de kriging.
Kriging Puntual
En algunas ocasiones en vez de estimar la ley media del bloque V interesa
estimar la ley de un punto Xo (problema de interpolacin) corresponde el
caso particular en que el volumen V tiende cero. Se estima el sistema
siguiente:

1 ( xi, x 1 ) + 2 ( xi , x 2 ) +...+ n ( xi , xn )+u= ( xi , xn )

1+ 2+...+ n=1
Este sistema de ecuacin lo representamos tambin como el esquema
matricial de la siguiente forma:

Donde la matriz independiente X1,X2,X3 Xn son las variogramas promedio

entre el punto a ser estimado y las muestras dentro de la variedad
seleccionado.
Se puede generar una grilla de valores interpolados al hacer vaciar X1. Esta
tcnica tiene aplicacin en la cartografa automtica y en la simulacin de
leyes.
El kriging puntual tiene la propiedad de ser un interpolador exacto en el
sentido de que si se desea estimar la ley en un punto conocido (por ejemplo
el punto A) el kriging proporcional la ley de data con una variante igual a
cero 2E =0 . se dice que el kriging puntual. pasa por los puntos.
PROPIEDADES DEL KRIGING
Las propiedades mas importantes son :
1.- PROPIEDAD DE SIMETRIA.-si (h). es isotrpico, entonces datos que son
simetra respecto ala V. y con respecto a otras datos tienen pesos iguales.
2.- COMPOSICION DEL KRIGEADO.- sea los volmenes disjuntos v1 y v2 y
sean z1 y z2 los estimadores de krigeado respectivo.
Entonces el krigeado Z de V1 y V2 es :

Z=

V 1 Z 1+V 2 Z 2
V 1+V 2

Es decir una ponderacin por volmenes y por tonelajes. Esta relacin no es

valida para las varianzas, si se deseen conocer la varianza o necesario
krigear el bloque V V1 v V2 , o bien utilizar una aproximacin.
3.-VELOCIDAD DE ESTIMACION. -para el kriging no importa la agrupacin de
datos al lado izquierdo del bloque ( el kriging desagrupo la informacin).
En estricto rigor , el kriging de un bloque v debera realizarse consideracin
todos los datos disponible ( kriging completo). Sin embargo esta situacin
implica clculos muy largos , por otra parte las muestras alejadas tendran
un peso casi . por esta razn la pratica recomienda
Restringirse a una velocidad de estimacin que puede ser una esfera o
circulo o bien un elipse o elipsoide (3D y 2D) como recomendacin paraleica
. el radio de bsqueda es una cierta direccin no debe ser inferior al alcance
de esa direccin.
4.-ESTRATEGIA DE BUSQUEDA.- esta estrategia establece los parmetros
que hay que utilizar para la bsqueda de composito o utilizar en la
estimacin de bloque.
Dependiendo del software utilizando esos parmetros son :
a)
b)
c)
d)

Radios de bsqueda Rx . Ry y Rz
Minimo K de muestras para krigear.
Mximo R muestras para krigear
Mximo L demuestras por octante